A Parametric Simulation Model for HVOF Coating Thickness Control
Notice bibliographique
Résumé
Abstract High velocity oxygen-fuel (HVOF) thermal spraying is a coating process involving multidisciplinary aspects, e.g., the fuel-oxidant combustion, flame-particle jet, particle deposition, mass and heat transfer, and even robotic kinematics. Like most coating processes, in HVOF processes, coating thickness is a significant property determining the coating performance, hence this property should be accurately controlled during the process. In view of green, smart, and digital manufacturing, the coating thickness prediction model is demanded for producing high-quality coatings efficiently. This paper presents an approach to parametrically simulate the coating thickness in HVOF processes via an integrated numerical model. Firstly, an axisymmetric computational fluid dynamics (CFD) model is constructed to compute the behaviors of the fuel-oxidant combustion, flame-particle jet, and particle deposition distribution. Secondly, based on the particle distribution in a 2D axisymmetric model, a 3D single coating thickness profile model is developed by constructing a circular pattern using the axis of the nozzle. Further, this profile is smoothened by a Gaussian model and its mathematical expression is obtained. Finally, a numerical model couples spray paths with the mathematical expression to model the coating thickness distribution on a substrate surface under industrial scenarios. At the end of this paper, the coating results of four sets of operating parameters were experimentally obtained and compared with the predicted simulation results to verify the proposed model’s effectiveness.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,002 | 0,003 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,000 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,001 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,001 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».